考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法
文献发布时间:2023-06-19 11:35:49
技术领域
本发明属于可靠性工程技术领域,具体涉及一种考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法。
背景技术
随着高新技术的迅速发展,现代工业设备正朝着大型化、复杂化和智能化快速发展。这类设备在运行过程中由于受到内部和外部因素的随机影响,性能和健康状态不可避免的呈现下降趋势乃至退化失效,导致无法完成正常任务和功能,进而引发严重事故,造成环境破坏和人员伤亡。如果能在设备性能退化初期对其进行剩余寿命预测,并基于预测结果确定维修决策的最佳时机,制定相应的备件订购或替换策略,将有效提高设备运行可靠性、降低运行成本。在剩余寿命预测的方法中,从经济性、安全性等角度出发,对于这种存在变点、呈现两阶段退化特性的设备进行退化建模和剩余寿命预测,已有不少学者进行了研究和拓展。Ng等根据退化数据的两阶段特性,提出一种基于单个变点的独立增量两阶段随机退化模型,并采用EM算法对模型参数进行估计。Yan等基于两阶段Wiener过程模型对液力耦合器进行可靠性校验,并根据赤池信息准则对变点进行辨识。Chen、等改进两阶段线性对数模型来描述滚球轴承的分阶段退化过程,并用贝叶斯方法更新模型参数进行寿命估计。Wang等提出了一种两阶段退化模型用于轴承退化数据的建模,在第一段假设处于健康状态,在第二段结合卡尔曼滤波和EM算法进行剩余寿命估计。Peng等为了提高剩余寿命预测的鲁棒性和效率,开发了一种半解析预测模型,该模型可以避免剩余寿命预测的大幅度波动,所提方法可以自动跟踪不同的退化阶段,并自适应地更新超参数。Zhang、等在两阶段Wiener过程退化模型的框架下,推导出基于首达时间意义的寿命分布,该模型优势在于充分考虑并量化变点处退化量的不确定性同时能够推广至更具有一般性的多阶段退化模型中。
尽管两阶段乃至多阶段退化模型已经取得了一些理论与实际应用成果,但仍存在一些问题有待解决。目前大多数两阶段退化模型(如:Zhang)都是基于Wang所提出的一阶自回归模型进行建模,但该模型存在三点不足:1)假设噪声项是独立且均匀分布,并且仅适用于均匀测量间隔。由于不是自动测量或根据某些设计方案进行测量等原因,在工程实际中设备退化过程的测量间隔往往是不均匀的。2)当使用多组同类型退化设备的历史数据或先验信息估计模型未知参数时,必须要求监测数据的测量频率与历史数据中使用的测量频率相同。否则,历史数据将不再适用。3)该模型退化建模存在一个潜在假设,即在后一时刻估计的随机参数与前一时刻的随机参数的后验估计完全相等,并且当该模型用于剩余寿命预测时,使用最新的监测值来更新漂移系数,该漂移系数从最后监测点开始保持不变,直到系统发生故障。这意味着该模型假设可以根据实时监测数据自适应更新漂移系数,但在未来的剩余寿命预测中忽略这种自适应漂移可变性。
发明内容
针对现有技术中的上述不足,本发明提供的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法解决了现有的设备剩余寿命预测方法中没有考虑两阶段退化特征,进而影响剩余寿命预测准确性的问题。
为了达到上述发明目的,本发明采用的技术方案为:考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,包括以下步骤:
S1、基于自适应Wiener过程,建立描述设备经历两阶段特征的随机退化模型;
S2、对建立的随机退化模型中的漂移系数和未知参数进行估计,获得完整的随机退化模型,并对其进行变点检测;
S3、基于完整的随机退化模型和检测到的变点,对退化设备进行两阶段自适应Wiener过程的剩余寿命预测。
进一步地,所述步骤S1中,自适应Wiener过程表示为:
λ(t)=λ
式中,λ(t)为遵循Wiener过程且随时间变化的漂移系数,λ
建立的随机退化模型为:
式中,x
对于所述随机退化模型,设备的剩余寿命T为:
T=inf{t:X(t)≥w|X(0) 式中,w为预先设定的失效阈值; 对于运行中的设备,其在时刻t L 进一步地,所述步骤S2中,对漂移系数λ=[λ 基于Kalman滤波方法进行两个阶段的状态估计和更新的方法为: 定义λ 其中,λ 对于第一阶段,即t 初始化:
状态估计:
方差更新: P 对于第二阶段,即t 初始化:
状态估计:
方差更新: P 式中,
进一步地,所述步骤S2中,对未知参数Θ=[k A1、将 L 式中,p(x A2、基于对数似然函数,确定θ
A3、基于 进一步地,所述步骤A3中,在EM算法中,未知参数Θ=[k
式中, 进一步地,所述步骤S2中,进行变点检测的过程为: 基于SCI原则,做出如下假设: (1)原假设H (2)备择假设H 基于原假设H
基于备择假设H
当
式中,m为样本大小,Δx 进一步地,所述步骤S3具体为: S31、基于完整的随机退化模型,确定退化设备的寿命估计值; S32、基于退化设备的寿命估计值和变点值,确定设备剩余寿命分布的概率密度函数,实现对退化设备的剩余寿命预测。 进一步地,所述步骤S31中,将随机退化模型中的漂移系数随机化,即 当变点处的退化设备的退化量x
式中, 当变点处的退化设备的退化量x
式中,g 进一步地,所述步骤S32中: 当当前时刻t
式中,L 当当前时刻t
本发明的有益效果为: (1)本发明基于自适应Wiener过程,给出了一种新的经历两阶段特征的随机退化设备剩余寿命预测方法,针对退化过程呈现两阶段特征的一类随机退化设备,充分考虑了现有剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且忽略了自适应漂移的可变性问题,提高了设备剩余寿命预测的准确性。 (2)本发明方法不仅可以对此类设备的剩余寿命进行准确预测分析,还可以为设备备件订购、最优替换等管理决策提供有力的理论依据,从而可实现高效合理的装备管理,避免浪费,因此该方法具有很好的工程应用价值。 附图说明 图1为本发明提供的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法流程图。 图2为本发明提供的NASA四种型号锂电池容量退化数据示意图。 图3为本发明提供的CS2-37锂电池SIC值示意图。 图4为本发明提供的CS2-37锂电池对应的第一阶段模型参数更新示意图。 图5为本发明提供的CS32-37锂电池对应的第二阶段模型参数更新示意图。 图6为本发明提供的三种方法不同监测点预测的锂电池剩余寿命概率密度分布。 图7为本发明提供的三种方法不同监测点剩余寿命预测绝对误差示意图。 图8为本发明提供的三种方法α-β性能评价指标图。 具体实施方式 下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。 实施例1: 在实际工程中,由于受到内部因素(如退化机理突变)或外部因素(如动态环境、状态切换)的影响,许多设备的退化特性呈现出两阶段乃至多阶段退化特征。针对雷速随机退化设备,现有设备剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且忽略了自适应漂移的可能性。因此,本发明实施例提供了一种新的两阶段自适应Wiener过程剩余寿命预测方法,如图1所示,考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,包括以下步骤: S1、基于自适应Wiener过程,建立描述设备经历两阶段特征的随机退化模型; S2、对建立的随机退化模型中的漂移系数和未知参数进行估计,获得完整的随机退化模型,并对其进行变点检测; S3、基于完整的随机退化模型和检测到的变点,对退化设备进行两阶段自适应Wiener过程的剩余寿命预测。 由于一般过程模型存在测量间隔不均匀、测量频率不一致以及在剩余寿命预测中没有利用实时监测数据自适应更新漂移系数三点不足。因此,本实施例的步骤S1中,考虑采用以下自适应Wiener过程模型进行随机退化建模; λ(t)=λ
其中,λ(t)是一个遵循Wiener过程且随时间变化的漂移系数,λ
式中,x 设备的寿命定义基于随机过程的首达时间概念,当性能退化量首次超过时效阈值w时,对于所述随机退化模型,设备的剩余寿命T为: T=inf{t:X(t)≥w|X(0) 式中,w为预先设定的失效阈值,时效阈值根据实际工程要求给定,对于运行中的设备,其在时刻t L 本实施例的步骤S2中,需要估计的参数主要包括两部分,一是描述两个阶段退化速率的漂移系数λ=[λ 上述步骤S2中,对漂移系数λ=[λ 基于Kalman滤波方法进行两个阶段的状态估计和更新的方法为: 定义λ 其中,λ 对于第一阶段,即t 初始化:
状态估计:
方差更新:
类似地,若t 初始化:
状态估计:
方差更新: P 式中,
上述步骤S2中,当两阶段自适应Wiener模型用于实时预测时,模型参数a 假设对同一批退化设备进行监测,监测点为m个,即x={x 基于此,对未知参数Θ=[k A1、将 L 式中,p(x A2、基于对数似然函数,确定θ
A3、基于 在本实施例中,由于漂移系数λ
式中, 通过不断迭代上述两个公式直到满足某一收敛条件截止,由此得到对应的参数估计值,一般来说随着迭代次数增加,得到参数估计值会越来越好。第二阶段参数估计方法同上,在此不再赘述。 上述步骤S2中,对变点进行检测过程中,在退化实验过程中,测出设备性能退化一般为离散值,因此变点τ的值通常未知,SIC是Akaike信息准则的改进,对变点检测效果良好,本实施例中通过SIC,确定变点τ的值; SIC是由Schwarz G.于1978年提出,可以解决模型是否存在变点问题。其原理是如果待检测序列存在变点,其样本的熵要大于不存在变点的样本的熵。利用SIC来估计变点的个数和位置是较为简单的,对变点的检测效果良好。其定义为:
式中, 本实施例中,对变点进行检测时,基于SCI原则,做出如下假设: (1)原假设H (2)备择假设H 基于原假设H
基于备择假设H
当
式中,m为样本大小,Δx 本实施例的步骤S3具体为: S31、基于完整的随机退化模型,确定退化设备的寿命估计值; S32、基于退化设备的寿命估计值和变点值,确定设备剩余寿命分布的概率密度函数,实现对退化设备的剩余寿命预测。 上述步骤S31中,为描述同批次设备中某一个体的退化过程,体现个体差异,将随机退化模型中的漂移系数随机化,即 当变点处的退化设备的退化量x
式中, 实际中,在变点出现前,变点出退化量准确值x
式中,g 上述步骤S32中,若已知当前时刻t 当当前时刻t
式中,L 当当前时刻t
实施例2: 本实施例中,对服役过程中经历两阶段退化特征的锂电池容量数据对所提方法进行验证,该组数据共包括四种不同型号电池在室温条件下通过充放电实验得到的,记录了电池状态信息(包括容量)随充放电循环的变化,由于固体电解质层在电极上的具体退化过程的生长以及副反应导致的活性材料的损失,导致锂电池容量在后一阶段迅速降低。编号为SC2-35、CS2-36、CS2-37、CS2-38四组电池容量退化数据如图2所示,图中退化过程呈现出明显的两阶段特性,这里采用CS2-37锂电池数据进行剩余寿命预测验证。 基于上述实施例1中步骤S2中的方法,对CS2-37锂电池进行变点检测,确定变点所在时刻,如图3所示,将变点引入到参数估计中,再结合退化数据,可得到两个阶段漂移系数的均值和方差分别为u 为了验证,所提方法预测剩余寿命结果的有效性,这里将Zhang的两阶段方法定义为方法1,将单一阶段线性过程方法定义为方法2,将本发明提出的两阶段自适应Wiener过程方法定义为方法3,并利用CS2-37锂电池监测数据进行预测验证与比较。 三种方法依据测试数据得到的剩余寿命预测结果如图6所示,方法2预测的剩余寿命的概率密度函数能够很好的覆盖剩余寿命的真实值,且预测均值在各监测点均接近实际剩余寿命,结果明显方法1和方法2的预测结果。 为了更加直观说明本方法的有效性,给出三种方法的剩余寿命预测绝对误差和α-β性能指标对预测结果进行验证,如图7~8所示。 从图7、图8中可以看出,与方法2相比,方法3考虑变点前后呈现两阶段特征,即变点前后的退化速率存在明显差异进行建模,且考虑同批产品个体差异性的影响,其模型更符合退化实际情况。与Zhang所提的方法1相比,方法3考虑Wiener过程模型存在测量间隔不均匀、测量频率不一致以及在剩余寿命预测中忽略了自适应漂移的可变性等三点不足,结果表明在监测前期退化数据较少时,所提模型能取得较好的预测结果。其原因是Wiener过程模型忽略了剩余寿命预测中自适应漂移的可变性,随着电池充放电循环在寿命将尽时,两者将提供近似的预测结果。这进一步验证了方法3相对于现有方法1和2更加准确、有效。
- 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法
- 一种考虑多重不确定性的退化设备剩余寿命预测方法